CN110503462A - 基于灰色关联度分析的电网投资测算方法、系统及介质 - Google Patents

基于灰色关联度分析的电网投资测算方法、系统及介质 Download PDF

Info

Publication number
CN110503462A
CN110503462A CN201910717785.7A CN201910717785A CN110503462A CN 110503462 A CN110503462 A CN 110503462A CN 201910717785 A CN201910717785 A CN 201910717785A CN 110503462 A CN110503462 A CN 110503462A
Authority
CN
China
Prior art keywords
correlation
sequence
investment
external
key
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910717785.7A
Other languages
English (en)
Inventor
徐璐
谢宁
王承民
王红晋
汪亚平
卢艳超
刘一江
陈启昉
钟彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
State Grid Shanghai Electric Power Co Ltd
State Grid Economic and Technological Research Institute
Original Assignee
Shanghai Jiaotong University
State Grid Shanghai Electric Power Co Ltd
State Grid Economic and Technological Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University, State Grid Shanghai Electric Power Co Ltd, State Grid Economic and Technological Research Institute filed Critical Shanghai Jiaotong University
Publication of CN110503462A publication Critical patent/CN110503462A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于灰色关联度分析的电网投资测算方法、系统及介质，包括：备选指标集获取步骤：从宏观经济、产业结构及各行业的产值方面出发，收集影响电力需求的外部因素，形成备选指标集；关联度分析步骤：对获得的备选指标集进行关联度分析，从备选指标集提取出与公司每年增收电量指标有较大关联的指标，作为关键外部影响因素。本发明采用灰色关联分析法提取电网投资的关键政治经济指标，并采用多元线性回归根据所提取的关键因素量化指标进行电网投资预测，避免了仅凭时间序列而忽略政治经济环境变化带来的决策误差，所提出的预测方法对于不同省公司具有很强的指导性和普适性。

Description

基于灰色关联度分析的电网投资测算方法、系统及介质
技术领域
本发明涉及电网需求预测领域，具体地，涉及基于灰色关联度分析的电网投资测算方法、系统及介质。尤其地，涉及电力需求经济指标提取、关联度分析及其电网投资需求预测。
背景技术
对于电网投资需求分析而言，我国宏观经济、产业结构及各行业的产值等方面都是很重要的影响因素。然而在当前的研究当中，对电网投资需求的预测方法仅有组合优化模型和时间序列模型，并没有考虑宏观经济指标因素，因此不能体现经济行业发展与电网投资需求的密切联系和对其影响。
专利文献CN109214449A(申请号：201810985402.X)公开了一种电网投资需求预测方法，包括：通过德尔菲法构建电网投资预测的影响因素体系；计算各个影响因素与电网投资的灰色关联度，排序筛选出电网投资预测的主要影响因素作为预测模型的输入；采用差分进化改进的灰狼优化算法对支持向量机的参数进行优化，建立预测模型后对电网投资需求进行预测
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于灰色关联度分析的电网投资测算方法、系统及介质。
根据本发明提供的一种基于灰色关联度分析的电网投资测算方法，包括：
备选指标集获取步骤：从宏观经济、产业结构及各行业的产值方面出发，收集影响电力需求的外部因素，形成备选指标集；
关联度分析步骤：对获得的备选指标集进行关联度分析，从备选指标集提取出与公司每年增收电量指标有较大关联的指标，作为关键外部影响因素；
相关关系获取步骤：根据获得的关键外部影响因素，采用多元线性回归方法拟合投资额，求取得到外部关键影响因素与投资额之间的相关关系；
投资额预测步骤：对关键外部影响因素采用神经网络进行滚动预测，再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
优选地，所述关联度分析步骤：
对获得的备选指标集进行关联度分析，获得关联度排序，根据关联度排序从备选指标集提取出关联度较大的预设数量的指标，作为关键外部影响因素；
所述对获得的备选指标集进行关联度分析：
统计确定分析数列步骤：确定反映系统行为特征的参考数列和影响系统行为的比较数列，设参考数列为Y＝{Y(k)|k＝1,2,…,n}，比较数列为Xi＝{Xi(k)|k＝1,2,…,n}，i＝1,2,…,m；
变量的无量纲化步骤：即：
其中，
Y(k)表示参考数列，即指投资额；
k表示参考数列第k项；
n表示参考数列项个数；
Xi(k)表示比较数列，即指影响电力需求的外部因素；
i表示比较数列第i项；
m表示比较数列项个数；
xi表示无量纲化后的变量；
Xi(l)表示Xi数列中的最大值；
关联系数计算步骤：X0(k)与Xi(k)的关联系数为：
记Δi(k)＝|Y(k)-Xi(k)|，则
ρ为分辨系数，ρ越小，分辨力越大；
其中，
X0(k)表示比较数列的首项；
关联度计算步骤：将各个时刻的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，在算出Xi(k)序列与Y(k)序列的关联系数后，计算各类关联系数的平均值，平均值ri就称为Y(k)与Xi(k)的关联度，关联度为：
关联度排序步骤：将计算获得的关联度按大小排序，如果r1<r2，则参考数列Y与比较数列X2更相似。
优选地，所述ρ的取值区间为(0,1)。
优选地，所述相关关系获取步骤：
根据获得的关键外部影响因素，利用多元线性回归方法求取得到外部关键影响因素与投资额之间的相关关系，即采用多元线性回归分析方法对提取的外部关键影响因素时序序列与历史已知的电网投资费用进行分析，求得与电力需求强相关的外部关键影响因素与投资费用的直接关系；
其中，
Xi(t)表示外部关键影响因素时序序列；
表示强关联的外部关键影响因素集合；
ΩN表示所有外部关键影响因素集合；
Yn(t)表示电网投资费用时间序列；
t表示时间即年份。
优选地，所述投资额预测步骤：
将人工神经网络经历史数据训练，得到网络中各节点的重要参数，再用此人工神经网络对未来的关键因素值进行预测；
再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
根据本发明提供的一种基于灰色关联度分析的电网投资测算系统，包括：
备选指标集获取模块：从宏观经济、产业结构及各行业的产值方面出发，收集影响电力需求的外部因素，形成备选指标集；
关联度分析模块：对获得的备选指标集进行关联度分析，从备选指标集提取出与公司每年增收电量指标有较大关联的指标，作为关键外部影响因素；
相关关系获取模块：根据获得的关键外部影响因素，采用多元线性回归方法拟合投资额，求取得到外部关键影响因素与投资额之间的相关关系；
投资额预测模块：对关键外部影响因素采用神经网络进行滚动预测，再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
优选地，所述关联度分析模块：
对获得的备选指标集进行关联度分析，获得关联度排序，根据关联度排序从备选指标集提取出关联度较大的预设数量的指标，作为关键外部影响因素；
所述对获得的备选指标集进行关联度分析：
统计确定分析数列模块：确定反映系统行为特征的参考数列和影响系统行为的比较数列，设参考数列为Y＝{Y(k)|k＝1,2,…,n}，比较数列为Xi＝{Xi(k)|k＝1,2,…,n}，i＝1,2,…,m；
变量的无量纲化模块：即：
其中，
Y(k)表示参考数列，即指投资额；
k表示参考数列第k项；
n表示参考数列项个数；
Xi(k)表示比较数列，即指影响电力需求的外部因素；
i表示比较数列第i项；
m表示比较数列项个数；
xi表示无量纲化后的变量；
Xi(l)表示Xi数列中的最大值；
关联系数计算模块：X0(k)与Xi(k)的关联系数为：
记Δi(k)＝|Y(k)-Xi(k)|，则
ρ为分辨系数，ρ越小，分辨力越大；
其中，
X0(k)表示比较数列的首项；
关联度计算模块：将各个时刻的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，在算出Xi(k)序列与Y(k)序列的关联系数后，计算各类关联系数的平均值，平均值ri就称为Y(k)与Xi(k)的关联度，关联度为：
关联度排序模块：将计算获得的关联度按大小排序，关联度越大则对应的参考数列与比较数列更相似；
所述ρ的取值区间为(0,1)。
优选地，所述相关关系获取模块：
根据获得的关键外部影响因素，利用多元线性回归方法求取得到外部关键影响因素与投资额之间的相关关系，即采用多元线性回归分析方法对提取的外部关键影响因素时序序列与历史已知的电网投资费用进行分析，求得与电力需求强相关的外部关键影响因素与投资费用的直接关系；
其中，
Xi(t)表示外部关键影响因素时序序列；
表示强关联的外部关键影响因素集合；
ΩN表示所有外部关键影响因素集合；
Yn(t)表示电网投资费用时间序列；
t表示时间即年份。
优选地，所述投资额预测模块：
将人工神经网络经历史数据训练，得到网络中各节点的重要参数，再用此人工神经网络对未来的关键因素值进行预测；
再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述中任一项所述的基于灰色关联度分析的电网投资测算方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
1、本发明在现有的基础上，结合宏观经济因素对电网投资的影响，提出考虑关键外部因素与电网投资的关联性的电网投资策略确定方法，求解过程科学合理。
2、本发明克服现有制定电网投资策略考虑因素不周的缺陷，使电网投资结合电网公司所在地区针政治经济环境的影响。
3、本发明所提出的电网投资策略制定方法紧扣当前电网发展环境，对于指导电网规划工作具有一定参考价值。
4、本发明为降低可再生能源出力间歇性对网络运行的影响，从四个不同角度提出配电网灵活性评价一级指标，并采用熵权法对所提出的二级评价指标进行赋权，避免了主观赋权带来的决策误差，所提出的评价指标体系具有很强的可扩展性。
5、本发明研究国家战略及政策、电力供需、运营水平、主网配网投资情况等指标，明确公司投资策略。采用灰色关联分析法提取电网投资的关键政治经济指标，并采用多元线性回归根据所提取的关键因素量化指标进行电网投资预测，避免了仅凭时间序列而忽略政治经济环境变化带来的决策误差，所提出的预测方法对于不同省公司具有很强的指导性和普适性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的外部关键因素与投资额的回归分析结果示意图。
图2为本发明提供的回归分析的残差分布结果示意图。
图3为本发明提供的外部关键因素发展现状及预测结果示意图。
图4为本发明提供的基于外部影响因素的电网投资规模发展趋势示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于灰色关联度分析的电网投资测算方法，包括：
备选指标集获取步骤：从宏观经济、产业结构及各行业的产值方面出发，收集影响电力需求的外部因素，形成备选指标集；
关联度分析步骤：对获得的备选指标集进行关联度分析，从备选指标集提取出与公司每年增收电量指标有较大关联的指标，作为关键外部影响因素；
相关关系获取步骤：根据获得的关键外部影响因素，采用多元线性回归方法拟合投资额，求取得到外部关键影响因素与投资额之间的相关关系；
投资额预测步骤：对关键外部影响因素采用神经网络进行滚动预测，再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
具体地，所述关联度分析步骤：
对获得的备选指标集进行关联度分析，获得关联度排序，根据关联度排序从备选指标集提取出关联度较大的预设数量的指标，作为关键外部影响因素；
所述对获得的备选指标集进行关联度分析：
统计确定分析数列步骤：确定反映系统行为特征的参考数列和影响系统行为的比较数列，设参考数列为Y＝{Y(k)|k＝1,2,…,n}，比较数列为Xi＝{Xi(k)|k＝1,2,…,n}，i＝1,2,…,m；
变量的无量纲化步骤：即：
其中，
Y(k)表示参考数列，即指投资额；
k表示参考数列第k项；
n表示参考数列项个数；
Xi(k)表示比较数列，即指影响电力需求的外部因素；
i表示比较数列第i项；
m表示比较数列项个数；
xi表示无量纲化后的变量；
Xi(l)表示Xi数列中的最大值；
关联系数计算步骤：X0(k)与Xi(k)的关联系数为：
记Δi(k)＝|Y(k)-Xi(k)|，则
ρ为分辨系数，ρ越小，分辨力越大；
其中，
X0(k)表示比较数列的首项；
关联度计算步骤：将各个时刻的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，在算出Xi(k)序列与Y(k)序列的关联系数后，计算各类关联系数的平均值，平均值ri就称为Y(k)与Xi(k)的关联度，关联度为：
关联度排序步骤：将计算获得的关联度按大小排序，如果r1<r2，则参考数列Y与比较数列X2更相似。
具体地，所述ρ的取值区间为(0,1)。
具体地，所述相关关系获取步骤：
根据获得的关键外部影响因素，利用多元线性回归方法求取得到外部关键影响因素与投资额之间的相关关系，即采用多元线性回归分析方法对提取的外部关键影响因素时序序列与历史已知的电网投资费用进行分析，求得与电力需求强相关的外部关键影响因素与投资费用的直接关系；
其中，
Xi(t)表示外部关键影响因素时序序列；
表示强关联的外部关键影响因素集合；
ΩN表示所有外部关键影响因素集合；
Yn(t)表示电网投资费用时间序列；
t表示时间即年份。
具体地，所述投资额预测步骤：
将人工神经网络经历史数据训练，得到网络中各节点的重要参数，再用此人工神经网络对未来的关键因素值进行预测；
再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
本发明提供的基于灰色关联度分析的电网投资测算系统，可以通过本发明给的基于灰色关联度分析的电网投资测算方法的步骤流程实现。本领域技术人员可以将所述基于灰色关联度分析的电网投资测算方法，理解为所述基于灰色关联度分析的电网投资测算系统的一个优选例。
根据本发明提供的一种基于灰色关联度分析的电网投资测算系统，包括：
备选指标集获取模块：从宏观经济、产业结构及各行业的产值方面出发，收集影响电力需求的外部因素，形成备选指标集；
关联度分析模块：对获得的备选指标集进行关联度分析，从备选指标集提取出与公司每年增收电量指标有较大关联的指标，作为关键外部影响因素；
相关关系获取模块：根据获得的关键外部影响因素，采用多元线性回归方法拟合投资额，求取得到外部关键影响因素与投资额之间的相关关系；
投资额预测模块：对关键外部影响因素采用神经网络进行滚动预测，再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
具体地，所述关联度分析模块：
对获得的备选指标集进行关联度分析，获得关联度排序，根据关联度排序从备选指标集提取出关联度较大的预设数量的指标，作为关键外部影响因素；
所述对获得的备选指标集进行关联度分析：
统计确定分析数列模块：确定反映系统行为特征的参考数列和影响系统行为的比较数列，设参考数列为Y＝{Y(k)|k＝1,2,…,n}，比较数列为Xi＝{Xi(k)|k＝1,2,…,n}，i＝1,2,…,m；
变量的无量纲化模块：即：
其中，
Y(k)表示参考数列，即指投资额；
k表示参考数列第k项；
n表示参考数列项个数；
Xi(k)表示比较数列，即指影响电力需求的外部因素；
i表示比较数列第i项；
m表示比较数列项个数；
xi表示无量纲化后的变量；
Xi(l)表示Xi数列中的最大值；
关联系数计算模块：X0(k)与Xi(k)的关联系数为：
记Δi(k)＝|Y(k)-Xi(k)|，则
ρ为分辨系数，ρ越小，分辨力越大；
其中，
X0(k)表示比较数列的首项；
关联度计算模块：将各个时刻的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，在算出Xi(k)序列与Y(k)序列的关联系数后，计算各类关联系数的平均值，平均值ri就称为Y(k)与Xi(k)的关联度，关联度为：
关联度排序模块：将计算获得的关联度按大小排序，关联度越大则对应的参考数列与比较数列更相似；
所述ρ的取值区间为(0,1)。
具体地，所述相关关系获取模块：
根据获得的关键外部影响因素，利用多元线性回归方法求取得到外部关键影响因素与投资额之间的相关关系，即采用多元线性回归分析方法对提取的外部关键影响因素时序序列与历史已知的电网投资费用进行分析，求得与电力需求强相关的外部关键影响因素与投资费用的直接关系；
其中，
Xi(t)表示外部关键影响因素时序序列；
表示强关联的外部关键影响因素集合；
ΩN表示所有外部关键影响因素集合；
Yn(t)表示电网投资费用时间序列；
t表示时间即年份。
具体地，所述投资额预测模块：
将人工神经网络经历史数据训练，得到网络中各节点的重要参数，再用此人工神经网络对未来的关键因素值进行预测；
再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述中任一项所述的基于灰色关联度分析的电网投资测算方法的步骤。
下面通过优选例，对本发明进行更为具体地说明。
优选例1：
本优选例以本发明技术方案为前提进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。
从以下宏观政治经济指标中选取关联度最强的指标进行分析：国民总收入、国内生产总值、第一产业增加值、第二产业增加值、第三产业增加值、人均国内生产总值、电力、蒸汽、热水生产和供应业投资、年末总人口、城镇人口、乡村人口、人口自然增长率、农林牧渔业增加值、工业增加值、建筑业增加值、批发和零售业增加值、交通运输、仓储和邮政业增加值、住宿和餐饮业增加值、金融业增加值、房地产业增加值、其他行业增加值。
依据国网公司2003-2016年增售电量的统计数据以及国家统计局网站公布的相关外部指标对应年份的数据，进行灰色关联度分析，得到的分析结果如下表所示。
选取关联度较高的7个指标作为强关联因素，依次为电力行业投资额；工业增加值；人均GDP；第三产业GDP；城镇人口；住宿和餐饮业GDP；交通运输、仓储和邮政业增加值。
应用多元线性回归分析得到各外部关键影响因素与电网投资额的拟合结果如附图1所示。可以看出，采用多元线性回归分析方法能够很好地拟合筛选得到的外部关键影响因素与电网投资额的各年度(2003-2016年)的实际情况。此时得出的最佳线性回归方程为
为进一步判断本次回归分析的可信度，绘制对应计算的残差分布情况如附图2所示。可以看出，除了t＝7(即2009年)对应数据外，其余残差的置信区间均包含零点。反映出此次回归分析的置信度较高，所得结论在可接受的误差范围内。
采用BP神经网络对上述七类外部关键影响因素进行三年滚动预测，得到的指标发展趋势如附图3所示。可以看出，采用BP神经网络预测得到的未来三年内外部关键因素将总体上服从稳步增长的发展趋势。但根据预测结果，工业增加值在2018年-2020年将小幅降低，这与政府下达的去产能要求相契合。在寻求生产设备及产品转型和升级的发展要求下，我国的产能过剩问题将在未来几年中逐步攻克，相应地，将影响产业结构和产品质量，造成工业增长值稳中求进地平缓增长。
在此基础上，应用多元线性回归方法得出的外部关键影响因素与电网投资额关系式，代入预测的自变量结果，可以得出如附图4所示的电网投资规模建议发展趋势。其中，散点折线图表示从2003-2020年的公司投资成本，而虚线则表示投资成本的指数趋势线。根据附图4预测结果，未来三年内(2018-2020年)公司将在电网方面逐年投资分别为5548.82亿元，6511.34亿元以及6883.42亿元。
优选例2：
针对上述背景技术中存在的不足，本发明提供了一种根据外部相关性指标确定电网投资额的方法，为电网投资规划方案提供计及宏观经济、产业结构及各行业的产值等的全面体系。
本发明采用的技术方案：首先采用灰色关联分析法剔除电力需求指标体系中的强相关指标，保证指标之间的独立性，对提取出的指标进行信度和效度检验，筛选和优化出对电力需求适用性较好的指标；然后对指标进行关联度分析，提取与公司每年增收电量指标有较大关联的指标。根据筛选得到的关键外部影响因素拟合投资额，得到对应线性表达式。最后通过对各个关键外部影响因素采用神经网络进行滚动预测，计算得到未来3年的投资额，确定投资规模。
本发明所采用的技术方案包括如下步骤：
1)从我国宏观经济、产业结构及各行业的产值等方面出发，收集影响电力需求的外部因素，形成备选指标集。
2)对步骤1)中指标进行关联度分析，提出与公司每年增收电量指标有较大关联的指标。对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。选取关联度较高的7个指标作为强关联因素。
3)根据步骤2)中筛选得到的关键外部影响因素拟合投资额，利用多元线性回归方法求取得到外部关键影响因素与滞后两年的投资额之间的相关关系。
4)对外部关键影响因素进行滚动预测，得到未来三年的外部关键影响因素预测值，从而利用上述回归关系求解得出对应的未来三年投资额预测结果。
上述步骤2)所述将将外部因素指标进行关联度分析，具体过程如下：
a)统计确定分析数列
确定反映系统行为特征的参考数列和影响系统行为的比较数列。设参考数列(又称母序列)为Y＝{Y(k)|k＝1,2,…,n}；比较数列(又称子序列)Xi＝{Xi(k)|k＝1,2,…,n}，i＝1,2,…,m。
b)变量的无量纲化，即
其中，
Y(k)表示参考数列
k表示参考数列第k项
n表示参考数列项个数
Xi(k)表示比较数列
i表示比较数列第i项
m表示比较数列项个数
c)计算关联系数
X0(k)与Xi(k)的关联系数为
记Δi(k)＝|Y(k)-Xi(k)|，则
ρ为分辨系数，ρ越小，分辨力越大，一般ρ的取值区间为(0,1),具体取值可视情况而定。当ρ≤0.5436时，分辨力最好，取ρ＝0.5。
其中，
X0(k)表示比较数列的首项
d)计算关联度
将各个时刻(即曲线中的各点)的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，关联度为
e)关联度排序
关联度按大小排序，如果r1<r2，则参考数列y与比较数列x2更相似。在算出Xi(k)序列与Y(k)序列的关联系数后，计算各类关联系数的平均值，平均值ri就称为Y(k)与Xi(k)的关联度。
上述步骤3)所述多元线性回归求取关键因素与投资额关系，是指采用多元线性回归分析方法对提取的外部关键影响因素时序序列与近几年已知的电网投资费用进行分析，以找出与电力需求强相关的外部关键影响因素与投资费用的直接关系。其中，自变量为外部关键影响因素序列，而因变量则为对应滞后两年的电网投资费用。
其中，
Xi(t)表示外部关键影响因素时序序列
表示强关联的外部关键影响因素集合
ΩN表示所有外部关键影响因素集合
Yn(t)表示电网投资费用时间序列
t表示时间即年份
上述步骤4)所述研究投资额预测，是指将应用训练成熟的人工神经网络经大量历史数据训练，得到网络中各节点的重要参数，再用此网络预测对未来的关键因素值进行预测，再利用步骤3)中的回归关系求解得出未来的投资预测值，确定投资规模。
优选例3：
一种基于经济指标灰色关联度分析的电网投资测算方法，其特征在于：
步骤1：首先从备选指标集提取出与公司每年增收电量指标有较大关联的指标。
步骤2：根据筛选得到的关键外部影响因素拟合投资额，得到对应线性表达式。
步骤3：最后通过对各个关键外部影响因素采用神经网络进行滚动预测，计算得到未来3年的投资额，确定投资规模。
所述的从备选指标集中提取关键外部指标，是采用现有的灰色关联分析法剔除电力需求指标体系中的强相关指标，保证指标之间的独立性，对提取出的指标进行信度和效度检验，即绘制对应计算的残差分布情况，筛选和优化出对电力需求适用性较好的指标；然后对指标进行关联度量化分析，提取与公司每年增收电量指标有较大关联的指标。
所述的根据关键外部影响因素拟合投资额，是采用多元线性回归方法拟合投资额。
所述的对未来关键因素指标值预测，是指采用人工神经网络方法，得到网络中各节点的重要参数，再用此网络预测对未来的关键因素值进行预测。
所述的测算电网投资规模，是根据回归关系求解得出未来的投资预测值，确定投资规模。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于灰色关联度分析的电网投资测算方法，其特征在于，包括：
备选指标集获取步骤：从宏观经济、产业结构及各行业的产值方面出发，收集影响电力需求的外部因素，形成备选指标集；
关联度分析步骤：对获得的备选指标集进行关联度分析，从备选指标集提取出与公司每年增收电量指标有较大关联的指标，作为关键外部影响因素；
相关关系获取步骤：根据获得的关键外部影响因素，采用多元线性回归方法拟合投资额，求取得到外部关键影响因素与投资额之间的相关关系；
投资额预测步骤：对关键外部影响因素采用神经网络进行滚动预测，再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
2.根据权利要求1所述的基于灰色关联度分析的电网投资测算方法，其特征在于，所述关联度分析步骤：
对获得的备选指标集进行关联度分析，获得关联度排序，根据关联度排序从备选指标集提取出关联度较大的预设数量的指标，作为关键外部影响因素；
所述对获得的备选指标集进行关联度分析：
统计确定分析数列步骤：确定反映系统行为特征的参考数列和影响系统行为的比较数列，设参考数列为Y＝{Y(k)|k＝1，2，…，n}，比较数列为Xi＝{Xi(k)|k＝1，2，…，n，i＝1，2，…，m；
变量的无量纲化步骤：即：
其中，
Y(k)表示参考数列，即指投资额；
k表示参考数列第k项；
n表示参考数列项个数；
Xi(k)表示比较数列，即指影响电力需求的外部因素；
i表示比较数列第i项；
m表示比较数列项个数；
xi表示无量纲化后的变量；
Xi(l)表示Xi数列中的最大值；
关联系数计算步骤：X0(k)与Xi(k)的关联系数为：
记Δi(k)＝|Y(k)-Xi(k)|，则
ρ为分辨系数，ρ越小，分辨力越大；
X0(k)表示比较数列的首项；
关联度计算步骤：将各个时刻的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，在算出Xi(k)序列与Y(k)序列的关联系数后，计算各类关联系数的平均值，平均值ri就称为Y(k)与Xi(k)的关联度，关联度为：
关联度排序步骤：将计算获得的关联度按大小排序，如果r1＜r2，则参考数列Y与比较数列X2更相似。
3.根据权利要求2所述的基于灰色关联度分析的电网投资测算方法，其特征在于，所述ρ的取值区间为(0，1)。
4.根据权利要求2所述的基于灰色关联度分析的电网投资测算方法，其特征在于，所述相关关系获取步骤：
根据获得的关键外部影响因素，利用多元线性回归方法求取得到外部关键影响因素与投资额之间的相关关系，即采用多元线性回归分析方法对提取的外部关键影响因素时序序列与历史已知的电网投资费用进行分析，求得与电力需求强相关的外部关键影响因素与投资费用的直接关系；
其中，
Xi(t)表示外部关键影响因素时序序列；
表示强关联的外部关键影响因素集合；
ΩN表示所有外部关键影响因素集合；
Yn(t)表示电网投资费用时间序列；
t表示时间即年份。
5.根据权利要求4所述的基于灰色关联度分析的电网投资测算方法，其特征在于，所述投资额预测步骤：
将人工神经网络经历史数据训练，得到网络中各节点的重要参数，再用此人工神经网络对未来的关键因素值进行预测；
再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
6.一种基于灰色关联度分析的电网投资测算系统，其特征在于，包括：
备选指标集获取模块：从宏观经济、产业结构及各行业的产值方面出发，收集影响电力需求的外部因素，形成备选指标集；
关联度分析模块：对获得的备选指标集进行关联度分析，从备选指标集提取出与公司每年增收电量指标有较大关联的指标，作为关键外部影响因素；
相关关系获取模块：根据获得的关键外部影响因素，采用多元线性回归方法拟合投资额，求取得到外部关键影响因素与投资额之间的相关关系；
投资额预测模块：对关键外部影响因素采用神经网络进行滚动预测，再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
7.根据权利要求6所述的基于灰色关联度分析的电网投资测算系统，其特征在于，所述关联度分析模块：
对获得的备选指标集进行关联度分析，获得关联度排序，根据关联度排序从备选指标集提取出关联度较大的预设数量的指标，作为关键外部影响因素；
所述对获得的备选指标集进行关联度分析：
统计确定分析数列模块：确定反映系统行为特征的参考数列和影响系统行为的比较数列，设参考数列为Y＝{Y(k)|k＝1，2，…，n}，比较数列为Xi＝{Xi(k)|k＝1，2，…，n，i＝1，2，…，m；
变量的无量纲化模块：即：
其中，
Y(k)表示参考数列，即指投资额；
k表示参考数列第k项；
n表示参考数列项个数；
Xi(k)表示比较数列，即指影响电力需求的外部因素；
i表示比较数列第i项；
m表示比较数列项个数；
xi表示无量纲化后的变量；
Xi(l)表示Xi数列中的最大值；
关联系数计算模块：X0(k)与Xi(k)的关联系数为：
记Δi(k)＝|Y(k)-Xi(k)|，则
ρ为分辨系数，ρ越小，分辨力越大；
其中，
X0(k)表示比较数列的首项；
关联度计算模块：将各个时刻的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，在算出Xi(k)序列与Y(k)序列的关联系数后，计算各类关联系数的平均值，平均值ri就称为Y(k)与Xi(k)的关联度，关联度为：
关联度排序模块：将计算获得的关联度按大小排序，关联度越大则对应的参考数列与比较数列更相似；
所述ρ的取值区间为(0，1)。
8.根据权利要求7所述的基于灰色关联度分析的电网投资测算系统，其特征在于，所述相关关系获取模块：
根据获得的关键外部影响因素，利用多元线性回归方法求取得到外部关键影响因素与投资额之间的相关关系，即采用多元线性回归分析方法对提取的外部关键影响因素时序序列与历史已知的电网投资费用进行分析，求得与电力需求强相关的外部关键影响因素与投资费用的直接关系；
其中，
Xi(t)表示外部关键影响因素时序序列；
表示强关联的外部关键影响因素集合；
ΩN表示所有外部关键影响因素集合；
Yn(t)表示电网投资费用时间序列；
t表示时间即年份。
9.根据权利要求8所述的基于灰色关联度分析的电网投资测算系统，其特征在于，所述投资额预测模块：
将人工神经网络经历史数据训练，得到网络中各节点的重要参数，再用此人工神经网络对未来的关键因素值进行预测；
再根据获得的外部关键影响因素与投资额之间的相关关系，求解获得投资额预测结果。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的基于灰色关联度分析的电网投资测算方法的步骤。
CN201910717785.7A 2019-07-18 2019-08-05 基于灰色关联度分析的电网投资测算方法、系统及介质 Pending CN110503462A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910651370 2019-07-18
CN2019106513704 2019-07-18

Publications (1)

Publication Number Publication Date
CN110503462A true CN110503462A (zh) 2019-11-26

Family

ID=68587903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910717785.7A Pending CN110503462A (zh) 2019-07-18 2019-08-05 基于灰色关联度分析的电网投资测算方法、系统及介质

Country Status (1)

Country Link
CN (1) CN110503462A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523769A (zh) * 2020-03-31 2020-08-11 国网山东省电力公司经济技术研究院 一种测算混联电网碳减排效果的方法与系统
CN112070352A (zh) * 2020-08-04 2020-12-11 国家电网有限公司 基于改进主成分-灰色关联的大用户落户因素分析方法
CN112330046A (zh) * 2020-11-18 2021-02-05 国网天津市电力公司 基于多维灰色-神经网络混合协调的电力需求预测方法
CN112417286A (zh) * 2020-11-24 2021-02-26 上海应用技术大学 区域性文化产业集聚的影响因素分析方法和系统
CN112446551A (zh) * 2020-12-08 2021-03-05 国网湖南省电力有限公司 电网投资测算方法、装置、电子设备及存储介质
CN112580864A (zh) * 2020-12-14 2021-03-30 哈尔滨工业大学 结合多元数据应用价值提升的村镇生活垃圾产量预测系统
CN113256142A (zh) * 2021-06-07 2021-08-13 许继集团有限公司 一种智能电能表质量的异质性影响因素分析方法
CN113822583A (zh) * 2021-09-24 2021-12-21 广东电网有限责任公司 配电网投资需求预测方法、装置、终端设备及介质
CN114118633A (zh) * 2022-01-26 2022-03-01 之江实验室 一种基于先行关系的指标自优化预测方法及装置
CN115204485A (zh) * 2022-07-08 2022-10-18 深圳市规划国土发展研究中心 一种基于灰色理论和重力模型的跨境客流预测方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523769A (zh) * 2020-03-31 2020-08-11 国网山东省电力公司经济技术研究院 一种测算混联电网碳减排效果的方法与系统
CN112070352A (zh) * 2020-08-04 2020-12-11 国家电网有限公司 基于改进主成分-灰色关联的大用户落户因素分析方法
CN112070352B (zh) * 2020-08-04 2024-05-10 国家电网有限公司 基于改进主成分-灰色关联的大用户落户因素分析方法
CN112330046A (zh) * 2020-11-18 2021-02-05 国网天津市电力公司 基于多维灰色-神经网络混合协调的电力需求预测方法
CN112417286A (zh) * 2020-11-24 2021-02-26 上海应用技术大学 区域性文化产业集聚的影响因素分析方法和系统
CN112446551A (zh) * 2020-12-08 2021-03-05 国网湖南省电力有限公司 电网投资测算方法、装置、电子设备及存储介质
CN112580864A (zh) * 2020-12-14 2021-03-30 哈尔滨工业大学 结合多元数据应用价值提升的村镇生活垃圾产量预测系统
CN113256142A (zh) * 2021-06-07 2021-08-13 许继集团有限公司 一种智能电能表质量的异质性影响因素分析方法
CN113822583A (zh) * 2021-09-24 2021-12-21 广东电网有限责任公司 配电网投资需求预测方法、装置、终端设备及介质
CN114118633A (zh) * 2022-01-26 2022-03-01 之江实验室 一种基于先行关系的指标自优化预测方法及装置
CN114118633B (zh) * 2022-01-26 2022-06-10 之江实验室 一种基于先行关系的指标自优化预测方法及装置
CN115204485A (zh) * 2022-07-08 2022-10-18 深圳市规划国土发展研究中心 一种基于灰色理论和重力模型的跨境客流预测方法

Similar Documents

Publication Publication Date Title
CN110503462A (zh) 基于灰色关联度分析的电网投资测算方法、系统及介质
US20170300546A1 (en) Method and Apparatus for Data Processing in Data Modeling
CN106980910B (zh) 中长期电力负荷测算系统及方法
CN105023066B (zh) 一种基于季节调整的业扩报装分析预测系统及方法
CN112801388B (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN110570030A (zh) 基于深度学习的风电集群功率区间预测的方法及系统
CN113126019B (zh) 一种智能电表误差远程估计方法、系统、终端和存储介质
CN116316599A (zh) 一种智能用电负荷预测方法
CN106980906B (zh) 一种基于spark的Ftrl电压预测方法
CN113506121A (zh) 价格影响因素的分析方法及装置
CN110276480A (zh) 一种用于建筑能耗管理的分析预测方法及系统
CN117458489A (zh) 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN116823008A (zh) 一种园区能源利用效率评估方法、系统、设备和存储介质
CN110837952A (zh) 一种基于博弈论的电网新技术设备选择方法及系统
CN112330030B (zh) 业扩物资需求预测系统及方法
CN117277312A (zh) 一种基于灰色关联分析的电力负荷影响因素方法及设备
CN113591322A (zh) 一种基于极端梯度提升决策树的低压台区线损率预测方法
CN107705160A (zh) 一种结合计量经济学和启发式智能的汽车销量预测方法及系统
CN117273195A (zh) 一种蒸汽供热系统需求负荷预测方法
CN115511230B (zh) 一种电能替代潜力分析预测方法
CN114970711B (zh) 一种基于Seq2Seq的电力负荷预测模型的构建方法及应用
CN116882776A (zh) 钢铁生产节能策略设置方法、装置、电子设备及存储介质
CN116384251A (zh) 一种考虑风险规避的新能源发电功率组合预测方法及系统
CN115622034A (zh) 一种基于改进遗传神经网络的物联表电力负荷识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191126

RJ01 Rejection of invention patent application after publication